En este capítulo aprenderá los fundamentos de la aplicación de la regresión logística y las máquinas de vectores soporte (SVMs) a los problemas de clasificación. Utilizará la biblioteca <code>scikit-learn</code> para ajustar modelos de clasificación a datos reales.

actualización de scikit-learn

KNN clasificación

Comparación de modelos

Sobreajuste

Aplicación de la regresión logística y SVM

Ejecución de LogisticRegression y SVC

Análisis del sentimiento en las críticas de cine

Clasificadores lineales

¿Qué límite de decisión es lineal?

Visualización de los límites de decisión

En este capítulo descubrirá el marco conceptual de la regresión logística y SVMs. Esto le permitirá profundizar en el funcionamiento interno de estos modelos.

Clasificadores lineales: los coeficientes

Cómo hacen predicciones los modelos

Modificación de los coeficientes del modelo

¿Qué es una función de pérdidas?

La derrota por 0-1

Minimizar una función de pérdida

Diagramas de funciones de pérdida

Funciones de pérdida de clasificación

Comparación de las pérdidas logísticas y de bisagra

Aplicación de la regresión logística

Funciones de pérdida

En este capítulo profundizará en los detalles de la regresión logística. Aprenderá todo sobre la regularización y cómo interpretar los resultados del modelo.

Regresión logística y regularización

Regresión logística regularizada

Regresión logística y selección de características

Identificar las palabras más positivas y negativas

Regresión logística y probabilidades

Obtener probabilidades de clase

Regularización y probabilidades

Visualización de ejemplos fáciles y difíciles

Regresión logística multiclase

Contar los coeficientes

Ajuste de la regresión logística multiclase

Visualización de la regresión logística multiclase

Uno contra uno SVM

Regresión logística

En este capítulo aprenderás todos los detalles de las máquinas de vectores soporte. Aprenderá a ajustar los hiperparámetros de estos modelos y a utilizar núcleos para ajustar límites de decisión no lineales.

Vectores de apoyo

Definición del vector de apoyo

Efecto de la eliminación de ejemplos

Núcleo SVMs

GridSearchCV calentamiento

Ajuste conjunto de gamma y C con GridSearchCV

Comparación de la regresión logística y SVM (y más)

Una ventaja de SVMs

Una ventaja de la regresión logística

Uso de SGDClassifier

Conclusión

Máquinas de vectores soporte

En este curso aprenderás todo sobre el uso de clasificadores lineales, específicamente regresión logística y máquinas de vectores soporte, con scikit-learn. Una vez que haya aprendido a aplicar estos métodos, se sumergirá en las ideas que los sustentan y descubrirá lo que realmente los hace funcionar. Al final de este curso sabrá cómo entrenar, probar y ajustar estos clasificadores lineales en Python. También tendrá una base conceptual para comprender muchos otros algoritmos de aprendizaje automático.

Supervised Learning with scikit-learn

En este curso aprenderás los detalles de clasificadores lineales como la regresión logística y SVM.

Clasificadores lineales en Python

En este curso aprenderás los detalles de los clasificadores lineales como la regresión logística y la SVM.

Científico especializado en machine learning en Python

Aprendizaje automático supervisado en Python

Funciones de pérdida de clasificación

Clasificadores lineales en Python

ejercicio interactivo práctico